Core Concepts
特定の個人のパフォーマンスに基づいて、自動的に異なるタスク難易度レベルを生成する方法を提案します。
Abstract
脳卒中後の個人のリカバリーにおいて、適応型トレーニングプログラムは重要です。この研究では、特定の個人が特定段階でどれだけタスクが難しいかを数量化することに依存しています。因果木を使用して、異なるタスク難易度レベルの領域を自動的に生成する方法を提案しました。この技術は、到達タスクにおけるユーザーパフォーマンスの分散を以前のアプローチよりも良く説明することが示されています。物理セラピストは、移動能力喪失者向けに運動学習を促進するためにプログラムを実施します。彼らは個々のパフォーマンスを考慮し、演習の難易度を調整しなければなりません。制御理論アプローチでは、ロボットはリアルタイムで個々に適応し、移動能力や疲労などパフォーマンスに影響する要素を考慮します。これらのアプローチは通常、外骨格型支援に依存していますが、これらは一部の個人にとって負担がかかったり怖いものである可能性があります。
Stats
因果効果は決定木で学習されます。
平均R2:0.656(因果木)、0.635(ランダムフォレスト)、0.634(ニューラルネットワーク)
決定木学習はWagner and Athey [7]とeconMLパッケージ[9]で行われます。
Quotes
"因果木はパーソナライズされたタスク難易度を推定する際にすべての基準点上で平均化することで予測力を高めます"
"因果木はパーソナライズされたタスク難易度を推定する際に他のすべて基準点から計算した見積もり値と比較して優れた結果を示します"